gee水体长时序变化监测

### GEE 水体长时序变化监测方法 #### 数据准备 Google Earth Engine (GEE) 提供了一个强大的云计算平台，支持大规模遥感数据分析。对于水体长时序变化监测，通常会使用 Sentinel-2 或 Landsat 系列影像作为主要数据源。这些影像具有较高的时间和空间分辨率，适合进行长时间序列的水体动态分析[^1]。 为了提高分析精度，可以结合地理信息系统（GIS）中的辅助数据层，例如高程模型（DEM）、土地覆盖分类图等。通过将遥感影像与 GIS 数据融合，可以获得更加丰富的背景信息和支持条件，从而提升水体提取和变化检测的效果。 --- #### 影像预处理 在实际应用中，原始遥感影像往往受到云、阴影以及大气效应的影响。因此，在执行具体分析之前，需要完成一系列预处理操作： 1. **去云和阴影掩膜**：利用 Sentinel-2 的 QA 波段或者 Fmask 工具去除受云污染的部分。 2. **辐射校正和大气校正**：采用 Sen2Cor 或者 Dark Object Subtraction 方法对反射率进行标准化处理。 3. **重采样和裁剪**：根据研究区域范围调整影像的空间分辨率并裁切至目标边界。 以下是基于 Python API 实现的一个简单示例代码片段来展示如何加载和清理 Sentinel-2 图像集合： ```python import ee ee.Initialize() def maskClouds(image): qa = image.select('QA60') cloudBitMask = 1 << 10 cirrusBitMask = 1 << 11 maskedImage = image.updateMask(qa.bitwiseAnd(cloudBitMask).eq(0)).updateMask(qa.bitwiseAnd(cirrusBitMask).eq(0)) return maskedImage.divide(10000) studyArea = ee.Geometry.Rectangle([102, 24, 103, 25]) # Example area: Dianchi Lake region collection = (ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2015-01-01', '2023-12-31') .filterBounds(studyArea) .map(maskClouds)) print(collection.size().getInfo()) ``` --- #### 水体指数计算 常用的水体识别算法包括归一化差分水体指数（NDWI），它可以通过以下公式定义： \[ NDWI = \frac{\rho_{green} - \rho_{nir}}{\rho_{green} + \rho_{nir}} \] 其中 \( \rho_{green} \) 和 \( \rho_{nir} \) 分别代表绿光波段和近红外波段的地表反射率值。当 NDWI 值较高时表明该像素更可能是水面的一部分。 另一种改进版本 MNDWI 则加入了短波红外波段 SWIR 来进一步增强对比度效果： \[ MNDWI = \frac{\rho_{green} - \rho_{swir}}{\rho_{green} + \rho_{swir}} \] 下面是一个完整的函数实现用于批量生成年度最大值合成图像，并从中提取潜在水域面积比例统计结果的例子： ```javascript // JavaScript Code Snippet for Google Earth Engine Platform var calculateAnnualMaxWaterExtent = function(year){ var startDate = year+'-01-01'; var endDate = year+'-12-31'; var annualImages = collection.filter(ee.Filter.calendarRange(parseInt(year), parseInt(year), 'year')); // Compute the median composite. var waterIndexComposite = annualImages.median(); // Apply threshold to identify water pixels based on NDWI values (-0.1 is an example value). var waterThresholded = waterIndexComposite.expression( '(b("ndwi") >= -0.1)', { ndwi: waterIndexComposite.normalizedDifference(['B3','B8']) } ).rename('water'); return waterThresholded; }; for(var y=2015; y<=2023; ++y){ Export.image.toDrive({ image:calculateAnnualMaxWaterExtent(String(y)), description:'DianChi_Water_Year_'+String(y), scale:10, maxPixels:1e9, region: studyArea.coordinates() }); } ``` --- #### 时间序列分析 时间序列分析可以帮助揭示水体随季节波动规律及其长期演变趋势。常见的做法是对多年份的数据集按月平均聚合后再绘制折线图表可视化呈现出来；另外也可以借助机器学习聚类算法自动发现隐藏模式特征等等^。 此外值得注意的是植被生长状况同样会对局部微气候造成影响进而间接改变附近湖泊河流水量平衡关系等方面因素也应纳入考量范畴之内[^2]. 最后提醒一下如果涉及到洪水灾害应急响应场景下则需特别关注实时更新频率较快的小卫星星座资料来源以便尽快掌握最新受灾情况进展动态信息反馈给相关部门决策参考依据之用[^3]. ---